基于深度學習的打印件中感光鼓損傷印跡識別系統設計

李志榮

摘? 要： 傳統的打印機感光鼓損傷印跡識別系統識別時間長，工作過程穩定性差，為了解決上述問題，基于深度學習設計了一種新的打印機感光鼓損傷印跡識別系統。在傳統卷積神經網絡基礎上增加訓練模型，設計了一種新的卷積神經網絡，將該網絡引入到系統硬件中，構建出系統硬件總結構，包括輸入層、卷積層、下采樣層、特征提出層和輸出層五層。根據硬件設計軟件程序，共分為信息預處理、感光鼓損傷印跡定位、感光鼓損傷印跡分割、感光鼓損傷印跡識別四步。為檢測識別系統的工作效果，與傳統識別系統進行實驗對比，結果表明，基于深度學習設計的識別系統能夠有效縮短感光鼓損傷印跡識別時間，工作過程穩定性高。

關鍵詞： 感光鼓損傷印跡識別系統; 深度學習; 卷積神經網絡; 實驗參數設定; 識別時間對比; 穩定性對比

中圖分類號： TN99?34; TP302.1? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）11?0163?04

Design of deep learning based printer photosensitive drum damage imprint recognition system for printed pieces identification

LI Zhirong

（Department of Document Examination Technology， Criminal Investigation Police University of China， Shenyang 110035， China）

Abstract： Since the traditional printer photosensitive drum damage imprint recognition system takes a long time for the recognition and the working stability is poor， a new printer photosensitive drum damage imprint recognition system is designed based on the deep learning. In the system， a new convolutional neural network is designed by adding a training model to the traditional convolutional neural network. The new network is introduced into the system hardware to construct the overall system hardware structure， which include five layers， named input layer， convolutional layer， downsampling layer， feature extraction layer and output layer. According to the hardware， the software program is designed， which is divided into four steps， named information pretreatment， location of photosensitive drum damage imprint， segmentation of photosensitive drum damage imprint and identification of photosensitive drum damage imprint. Contrastive experiments on the proposed recognition system and traditional recognition system were carried out to test the operation effects. The results show that the proposed recognition system based on the deep learning can effectively shorten the recognition time of photosensitive drum damage imprint， and is of high working stability.

Keywords： photosensitive drum damage imprint recognition system; deep learning; convolutional neural network; experimental parameter setting; recognition time contrast; stability contrast

0? 引? 言

司法鑒定需要大量文件證據，一旦被偽造，就很難做出正確的審查決定[1]。民事訴訟中存在大量各種打印件，偽造檢驗極為困難。通過無損檢驗方法判斷文件是否存在偽造，對于司法鑒定有重要的意義[2]。感光鼓是激光打印機的核心部件，組成材料主要是硫化鎘和有機光導材料。打印機感光鼓表面材料為光導體，存在一定硬度，由于不斷承受外界的機械壓力，所以會出現一定的磨損，從而形成感光鼓損傷印跡，每一個打印件上都會出現這種損傷印跡，出現方式為周期性出現，感光鼓周長不同，出現周期也不同[3]。比較每個歷史樣本的感光鼓損傷印跡，可以確定打印件的具體時間，并判斷文件中的打印件是否為一次打印而成[4]。

深度學習這一概念來自于人工神經網絡，通過分析低層特征，判斷出高層特征，進而確定出數據的分布式特征。機器可以利用深度學習方法對數據進行表征，通過監督式和半監督式的方法分析事物特性，并取代手工方法，提高工作效率[5]。

本文引入深度學習理論設計了一種新的識別系統，該系統能夠針對感光鼓損傷印跡進行識別，分別設計了系統的硬件和軟件，最終通過實驗對該設計進行相關驗證，判斷識別的科學性和實用性。

1? 打印件中感光鼓損傷印跡識別系統硬件設計

基于深度學習算法對打印件中感光鼓損傷印跡識別系統硬件進行設計，通過引入卷積神經網絡，加強系統硬件的實用性。

1.1? 卷積神經網絡

深度學習算法內部包含了大量的神經元，神經元彼此獨立，主要通過連接上層神經元接收下層神經元，神經元之間的組合方式不斷變換，從而得到更多的語義信息，獲得學習目標的分布式特征[6]。本文應用的神經網絡為卷積神經網絡，這是一種多層神經網絡，能夠很好地識別出二維特征，即使面對平移、縮放的學習目標，卷積神經網絡也具有很強大的不變性。因此，十分適合應用到打印件的感光鼓損傷印跡識別工作中，卷積神經網絡結構如圖1所示。

觀察圖1可知，卷積神經網絡的輸入和輸出可以看作非映射關系，通過訓練已知模型，使卷積神經網絡中的神經元形成映射關系，在進行訓練之前，要對所有的參數值進行初始化設置，通過向前傳播訓練和反向傳播訓練調節神經元之間的關系[7]。

向前傳播訓練會將卷積神經網絡的數據集中到一起，以樣本的形式向中心網絡輸出，通過不斷變換組合得到最終的輸出結果[8]。本文設定的卷積神經網絡向前傳遞方式和傳統神經網絡向前傳遞方式大致相同，輸入層和輸出層滿足如下關系：

[Al=f（KlAl-1+Bl）] （1）

式中：[Al]代表輸出結果;[Al-1]表示輸入層;[l]代表卷積神經網絡層數;[K]代表權值;[B]代表偏置;[f]代表激活函數。

卷積神經網絡在經過一次向前傳播之后，會出現反向傳播，根據誤差定義方式判斷傳播網絡狀態，上層神經元接收誤差之后要更新自身權值[9]。

1.2? 識別系統硬件結構設計

根據設計的卷積神經網絡構建新的硬件識別系統，系統總體結構如圖2所示。

觀察圖2可知，本文設計的打印件中感光鼓損傷印跡識別系統硬件共分為5個層次，分別是輸入層、卷積層、下采樣層、特征提出層和輸出層[10]。

1） 輸入層設置。將需要識別的感光鼓損傷印跡提取出來，以矩陣的方式輸入到識別系統，為確保識別結果的準確性，最初的輸入矩陣規格統一設定成64×64，在此基礎上不斷擴展[11]。輸入方式如圖3所示。

2） 卷積層設置。應用本文設計的識別系統設置卷積層，通過卷積運算和不同的濾波器分析輸入的感光鼓損傷印跡特征，提取原始信號后，對信號進行增強處理。識別系統中的神經元連接區域不同，識別性能也有所不同，設置的卷積層卷積核尺寸為10×10，如圖4所示。

3） 采樣層設置。在對感光鼓損傷印跡進行采樣時，會得到多個特征圖，為提高特征圖的分辨率可以進行簡單的縮放處理，減少卷積神經網絡的輸入權值參數。為確保采樣過程系統的穩健性，設定的縮放因子不能過大，要小于2，采樣過程如圖5所示。

4） 特征提取層設置。利用歸一化處理，將識別的感光鼓損傷印跡提取出來，采取一一對應的方式得到損傷印跡特征，并根據卷積要求對特征進行重新組合，確保卷積網絡中的神經元連接數量在可控制范圍內。本文設置的特征提取層尤其適用不同特征的感光鼓損傷印跡提取。

在特征提出層內部設定了一個匹配模板，能夠針對輸出層的特征進行模板匹配。傳統的識別系統內部也存在匹配模板，但由于設定的模板為單一模板，所以很容易受到外界因素的影響，因此需要設置出多個標準模板，使識別結果更加準確，并且能夠更加全面地解決多方面問題。但是如果模板過多會加大系統計算量，使系統運算過程更加復雜化，本文結合多方考慮，設置了3個匹配模板，將提取出來的感光鼓損傷印跡進行特征匹配，在不同模板中進行識別[12]。

5） 輸出層設置。觀察系統硬件框架圖可知，輸出層和特征層的連接方式為全連接，每一層卷積網絡中包含的神經元能夠達到500個，輸出的連接鏈路高達3 000條。系統在識別時，一定會出現錯誤識別結果，因此在輸出層加入了局部識別模塊，該模塊記錄了常用的錯誤識別類型，并針對每一個輸出結果進行局部識別，如果發現錯誤的輸出結果，將會重新標注，以此確保輸出結果的精確度[13]。

系統硬件電路圖如圖6所示。

2? 打印件中感光鼓損傷印跡識別系統軟件設計

在打印件中感光鼓損傷印跡識別系統硬件結構上進行軟件設計，軟件流程如圖7所示。

感光鼓損傷印跡識別系統軟件流程如下：

1） 信息預處理。打印件中的感光鼓損傷印跡很有可能受到外界因素影響，因此，這時需要去掉隱藏的無用信息。通過預處理的方式將打印件中的所有信息灰度化，利用平滑操作處理信息，并盡可能地剔除干擾信息，方便后期處理。

2） 感光鼓損傷印跡定位。利用卷積神經網絡生成候選框，在候選框內部設定通道，通過回歸目標函數確定感光鼓損傷定位。

3） 感光鼓損傷印跡分割。在確定出感光鼓損傷印跡所在位置之后，根據損傷印跡存在間隔的特點設定投影，從中間位置向前、后兩個方向分割，由于每一個印跡的尺寸不同，所以需要歸一化處理，使印跡尺寸能夠統一到一起。

4） 感光鼓損傷印跡識別。對損傷印跡進行降噪處理，分別計算出最小距離和最大距離，在識別模板上確定點集和字符集。如果模板內部的點分布方式比較集中，則模板與損傷印跡匹配度非常高，易于識別;如果模板內部的點分布方式比較分散，則模板與損傷印跡匹配度相對較低，識別起來比較困難，可以針對特征進行識別，確定易錯識別位置，同時可以多設定幾個識別模板，確保識別結果的準確率。